Tre run modes og et skift i fokus
Ifølge MarkTechPost flytter Decoding AIs åbne kursus om agentloops fokus fra modelvalg til måden, loopen køres på. MarkTechPost gengiver blandt andet LangChains Terminal-Bench-eksempel og skriver, at en ren ændring af harness (med samme model) flyttede en kodeagent fra cirka plads 30 til top 5. Det er en påstand, som i denne artikel refereres via MarkTechPost og ikke gennem en separat, uafhængig kilde.
Kurset publicerer en Python-agent kaldet Decode og beskriver tre konkrete run modes: interaktiv online, remote offline og async online. Ifølge MarkTechPost har hver mode sin egen latencyprofil og tenderer derfor mod forskellige typer udbydere til inference.
Hvad der faktisk er udgivet
Som MarkTechPost beskriver det, samler Decode-arkitekturen en headless harness i centrum, hvor den delte agentloop kører: modellen vælger en handling, et værktøj udfører, og observationen føres tilbage i konteksten. Interfaces kobler sig på den kerne. Elementer som hukommelse, færdigheder, sandbox, permissions, LSP-feedback og komprimering placeres i harnesslaget, ikke i selve modeldefinitionen.
MarkTechPost skriver, at selve agenten i Decode implementeres som cirka 20 linjer Pydantic AI, der komponerer model, værktøjer og outputtype. Artiklen nævner også en påstand om, at Claude Codes lækkede kilde viser en kerne-loop omkring 150 linjer; dette tal refereres som MarkTechPosts gengivelse af et påstået læk og er ikke uafhængigt verificeret.
Mode 1 interaktiv online
I den interaktive, online mode beskriver MarkTechPost, at en terminal-UI kobles til én levende session i hukommelsen i samme proces, og events streameres tilbage, mens tokens ankommer. Styring er her det vanskelige punkt: hvis der indtastes, mens et værktøjskald kører, kan en umiddelbar injektion ødelægge turen. Ifølge MarkTechPost adresserer Decode dette med en steering-kø og en prioritetsgate, så input buffres og først injiceres ved sikre grænser.
MarkTechPost beskriver, at loopen eksponerer to grænser for sikker styring: MODEL_REQUEST (før næste modelkald) og WOULD_STOP (når turen ellers ville slutte). Tre inputformer mappes til det: Enter for at styre inden for turen, Alt+Enter for at køe en opfølgning til efter turen stopper, og Esc for et kooperativt afbrud ved næste grænse, som rydder køer, så historikken bevares. Denne mode er latency-bundet, hvilket gør lav-latency hosting hensigtsmæssig, ifølge MarkTechPost.
Mode 2 remote offline
MarkTechPost fremhæver, at remote offline i kursets opdeling kører uden den direkte, live-interaktion, der kendetegner mode 1. Prioriteten flyttes fra øjeblikkelig tokenstreaming til gennemløb og forudsigelig afvikling over tid.
Da interaktion ikke sker i realtid, skriver MarkTechPost, at andre udbyderprofiler kan være mere attraktive her end for den interaktive mode. Det formuleres som en del af MarkTechPosts vinkel på, at hver run mode tenderer mod sit eget “økonomiske sweet spot”.
Mode 3 async online
Den tredje form, async online, beskrives af MarkTechPost som en placering, hvor den aktive session ligger hos brugeren, mens tungere arbejde håndteres asynkront. Brugeren er online, men uden at følge hvert enkelt værktøjskald i realtid, hvilket forskyder latencykrav og fejlscenarier sammenlignet med interaktiv mode.
Som MarkTechPost opsummerer det, fører de tre latencyprofiler typisk til forskellige valg af udbyder. Det gør run mode til et eksplicit arkitekturvalg med direkte indflydelse på oplevelse og omkostning i den ramme, MarkTechPost beskriver.
Hvorfor harnesset vejer tungt
Gennemgangen hos MarkTechPost peger på en bredere pointe i miljøet: hvordan modellen indkapsles, orkestreres og evalueres i harnesset, kan afgøre slutkvaliteten i højere grad end et snævert modelskifte. Terminal-Bench-eksemplet bruges af MarkTechPost som illustration af, at forbedringer i harnesset alene kan flytte et system markant opad på en benchmark.
MarkTechPosts dækning lægger vægt på, at valg af run mode ikke kun er driftsteknisk, men også en kvalitetsdriver, fordi loopen fastlægger, hvad modellen ser, og hvornår den må handle.
Styring uden at brække en tur
I den interaktive mode beskriver MarkTechPost, at Decode anvender en steering-kø og en prioriteringsgate for sikker injektion af input ved eksplicitte grænser. Kombinationen skal hjælpe med at undgå, at et indgreb midt i et værktøjskald korrumperer samtalens tur og historik.
MarkTechPost fremhæver, at tydelige grænser i loopen (MODEL_REQUEST og WOULD_STOP) er mekanismen, der holder turen intakt under styring og afbrud, uden at konteksten tabes.
Leverandørøkonomi knyttet til mode
Ifølge MarkTechPost har hver mode sin egen økonomi, fordi latencykrav og interaktionsmønstre ændrer, hvad der giver mening hos udbyderne. Den interaktive mode belønner stabil, lav latenstid og pålidelig streaming; offline-kørsler belønner forudsigelig gennemløb og pris pr. behandlet mængde; async kræver robust håndtering af asynkrone job og stabil levering over tid.
MarkTechPosts vinkel er, at arkitekturvalget påvirker, hvilken udbydertype der passer bedst til opgaven og budgettet. For læsere, der ønsker at validere prisforudsætninger direkte, henviser artiklen til de officielle prissider: OpenAI, Anthropic, Modal og Google Cloud. Eventuelle prisberegninger i sekundære kilder bør læses som illustrative og kan variere med rabatter, regioner og brugsmønstre.
Enterprise-trend og styring
VentureBeat rapporterer, at virksomheder i stigende grad afgrænser agenters autonomi i praksis. Mediet citerer en Gartner-prognose om, at over 40 procent af de agentiske AI-projekter, der kører i dag, ikke vil overleve til 2028 blandt andet på grund af omkostninger og uklar forretningsværdi.
MarkTechPosts fokus på klare grænser, permissions og en fælles loop som styrende enhed ligger i forlængelse af den tendens, sådan som VentureBeat refererer den.
Hvad der er solidt, og hvad der bør verificeres yderligere
Elementer som de tre run modes, harnessets rolle, styringsmekanismerne (MODEL_REQUEST og WOULD_STOP) og den interaktive modes latency-binding fremgår af MarkTechPosts dækning af kurset og tilskrives den kilde. Terminal-Bench-påstanden og økonomiske implikationer gengives med eksplicit kildeangivelse.
Henvisningen til Claude Code og cirka 150 linjer kerne-loop bygger på omtale af et påstået læk i MarkTechPost. Indtil en uafhængig offentliggørelse foreligger, bør tallet læses som ikke-verificeret gengivelse.
Hvad læseren kan tjekke her og nu
For økonomiske vurderinger og priseksempler: se de officielle prissider for OpenAI, Anthropic, Modal og Google Cloud. Oplysninger om rabatter, regionsvalg og aftaletyper kan ændre beregninger væsentligt og bør valideres direkte på udbydernes sider.
For arkitektur og run modes: se MarkTechPosts gennemgang af Decoding AIs kursus og den beskrevne Decode-implementering. For enterprise-trenden og Gartner-prognosen: se VentureBeats artikel og den citerede vurdering.
